CN113901213B - 一种面向任务型对话的实景信息分类方法及*** - Google Patents
一种面向任务型对话的实景信息分类方法及*** Download PDFInfo
- Publication number
- CN113901213B CN113901213B CN202111173317.1A CN202111173317A CN113901213B CN 113901213 B CN113901213 B CN 113901213B CN 202111173317 A CN202111173317 A CN 202111173317A CN 113901213 B CN113901213 B CN 113901213B
- Authority
- CN
- China
- Prior art keywords
- live
- action
- dialogue
- classification
- action information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013145 classification model Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000009471 action Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 230000009849 deactivation Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims 1
- 239000000758 substrate Substances 0.000 claims 1
- 230000003993 interaction Effects 0.000 description 7
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种面向任务型对话的实景信息分类方法及***,包括:根据对话中的任务及用户对话信息确定要划分的实景类别,构成任务中的实景分类体系;搜集对话中与实景信息有关的用户输入信息和实景分类信息,构建训练集;利用训练集训练得到面向电子产品任务型对话的实景信息分类模型;将用户对话内容输入实景信息分类模型,得出文本中每句话对应实景类别的概率;根据概率选择最合适的类别作为实景信息分类结果,后续任务型对话根据此结果获取更多相关实景信息。本发明方案解决了任务型对话中因缺少实景信息而造成的自然语言理解歧义、对话轮次多等问题,利用任务型对话中的实景信息,可增强意图识别准确性,提高了任务型对话的效率与准确性。
Description
技术领域
本发明涉及一种关于包含了芯片的电子产品或设备的软件及硬件的面向任务型对话的实景信息分类方法及***。
背景技术
人机交互作为信息时代人类与计算机之间信息交流的基础技术,受到学术界和工业界的广泛关注。人机对话是人机交互技术的核心领域,近些年来,得益于深度学习及任务型对话***技术在自然语言领域的突破性发展,让人类用更自然的方式与机器进行交流成为了可能,使得“人机”交互方式不再是简单的输入设备和触摸屏,而是具有个性的自然语言交互。
然而,人们已经习惯了在面对面对话中经常省略一些双方都能理解的内容,人机交互也是一样,人们会习惯性地省略人认为机器应该理解的对话内容,这就增加了机器理解的难度。
实际上,使用自然语言与电子产品或设备进行人机交互是一个任务型对话过程,无论是完成具体的任务还是用产品玩游戏。
任务型对话中自然语言处理的准确性影响着任务完成度。不能总是指望用户输入精确的指令,实际中的用户对话自由度高,口语句式参差多变,没有明确、准确的规范句式,且不同的用户有不同的语言习惯,这些都是影响自然语言理解模块准确性的重要因素。
目前,机器的自然语言理解还停留在语义表层,在复杂任务下结合知识和实景进行逻辑推理能力比较弱。例如,用户说“有点热”,面对该任务,简单地基于语义表层的槽填充不能完成任务,需要结合环境和常识并通过推理才能完成任务。比如在汽车里,可推理用户想要开空调或者车窗等来降低车内温度,再结合车里的实景信息,包括空调、车窗开关状态、车外温度传感器信息,进一步理解用户意图并给出行动。若检测到车外温度是37℃,空调状态为开着,则可判断出用户想要调低空调温度;若检测到车外温度18℃,空调和车窗状态均为关着,则判断出用户可能想要打开车窗。
然而,现有的任务型对话***很少将实景信息应用到自然语言理解中。在上述例子中,用户对当前实景信息比较清楚,按照人与人的交流方式,用户对话信息通常是会对实景信息进行省略的,而计算机不能像人一样感知到特定场景下的实景信息,所以计算机能对用户信息准确理解就离不开实景信息省略恢复。
但是,实景信息繁多,仍以汽车为例,传感器、按钮、开关种类非常多,采用所有信息进行省略恢复,必然降低理解效率与准确性,因此对哪些实景信息进行省略恢复又是难点,像人那样正确理解并选择对话中被省略掉的信息,就成了人机对话中必须解决的问题。
发明内容
为解决现有技术中存在的上述缺陷,本发明的目的在于提供一种面向任务型对话的实景信息分类方法及***,以提高任务型对话效果,实现更自然地人机对话。
本发明是通过下述技术方案来实现的。
本发明一方面,提供了一种面向任务型对话的实景信息分类方法,包括:
步骤101、根据实景及用户对话信息确定要划分的实景类别,构成实景任务型对话中的实景分类体系;
步骤102、搜集实景任务型对话中与实景信息有关的用户输入信息和实景分类信息,进而构建训练集;
步骤103、利用训练集训练得到面向电子产品任务型对话的实景信息分类模型;
步骤104、将用户对话内容输入所述实景信息分类模型,输出实景信息分类结果。
步骤101中:
实景分类体系为根据具体任务确定的产品实景分类的类别组成所述具体任务的实景完整分类;实景分类体系包括实景检测单元及其组合、实景控制单元及其组合、实景控制对象及其属性和实景控制对象及其组合;
实景包括电子产品的软件实景与硬件实景的静态特征与动态特征,软件实景包括软件、焦点软件、已打开软件、本机安装软件、软件菜单、按钮及产品各模块;硬件实景包括开关、按钮、传感器及产品零部件。
其中,产品实景分类包括通过电子产品静态特征与动态特征及与所述特征相关的用户需求来对产品的实景检测单元、实景控制对象或实景控制单元的分类;
实景检测单元为检测实景状态变化的单元,软件产品里的实景检测单元包括钩子函数和面向对象中的事件监听单元;硬件产品里的实景检测单元包括传感器;
实景控制单元为控制实景状态变化的单元,软件里的实景控制单元包括菜单中的按钮和动态代理,硬件里的实景控制单元包括开关、继电器、调节按钮和零部件控制单元;
步骤102包括:
搜集用户对话信息并结合所述实景分类体系共同构建数据集;
根据近义词库增加文本实景标签的均衡性及多样性,进一步完善所述数据集;
将所述数据集作为训练样本。
步骤103包括:
将所述训练样本进行文本预处理,预处理内容包括分词、去停用词、特征提取、词频统计和文本向量化;
利用所述预处理后的样本训练得到面向电子产品任务型对话的实景信息分类模型。
进一步,实景任务型对话为加入实景信息的任务型对话,用于完成对电子产品性能和功能的理解、操作相关的对话。
进一步,所述实景信息分类模型采用文本分类形式,文本分类方式包括传统机器学习算法和深度学习算法。
步骤104包括:
步骤4-1、将用户对话内容输入所述实景信息分类模型,得出结果是用户对话内容对应各实景类别的概率;
步骤4-2、根据概率选择最合适的类别作为实景信息分类结果,后续实景任务型对话根据所述实景信息分类结果获取更多相关实景信息。
进一步,用户对话内容中仅仅包含肯定词和否定词的句子不输入实景信息分类模型中。
本发明另一方面,提供了一种面向任务型对话的实景信息分类***,包括:
实景信息分类样本构建模块,用于搜集任务中与实景信息有关的用户输入信息和实景分类信息,并使用近义词库完善,结合任务中的实景分类体系构建出实景信息分类样本;
预处理模块,用于将实景信息分类样本进行文本预处理,预处理内容包括分词、去停用词、特征提取、词频统计和文本向量化;
实景信息分类模型构建模块,用于将预处理后的实景信息分类样本训练得到面向电子产品任务型对话的实景信息分类模型,模型采用文本分类形式,分类方法包括传统机器学习算法和深度学习算法;
实景信息分类模块,用于将用户对话信息输入实景信息分类模型,得到实景信息分类结果。
本发明由于采取以上技术方案,其具有以下有益效果:
本发明利用任务型对话***中结合实景信息,提高意图识别准确性,通过面向任务型对话的实景信息分类模型可在对话***之前对用户输入进行分类,获取准确且与用户需求相关的实景信息,以提高之后自然语言理解的准确性与效率。
本发明方案解决了任务型对话中因缺少实景信息而造成的自然语言理解歧义、对话轮次多等问题,充分利用任务型对话中的实景信息,增强意图识别准确性,大大提高了任务型对话的高效性、准确性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的不当限定,在附图中:
图1为本发明实施例面向任务型对话的实景信息分类方法的流程图;
图2为本发明实施例面向任务型对话的实景信息分类***的一种结构示意图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明,在此本发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
如图1所示,本发明实施例提供的面向任务型对话的实景信息分类方法,包括以下步骤:
步骤101,根据实景及用户对话信息确定要划分的实景类别,构成实景任务型对话中的实景分类体系。
实景分类体系为根据具体任务确定的产品实景分类的类别组成具体任务的实景完整分类;实景分类体系包括实景检测单元及其组合、实景控制单元及其组合、实景控制对象及其属性和实景控制对象及其组合。
产品实景分类包括通过电子产品静态特征与动态特征及与特征相关的用户需求来对产品的实景检测单元、实景控制对象或实景控制单元的分类。
实景检测单元为检测实景状态变化的单元,软件产品里的实景检测单元包括钩子函数和面向对象的事件监听单元;硬件产品里的实景检测单元包括传感器。实景控制单元为控制实景状态变化的单元,软件里的实景控制单元包括菜单中的按钮、控制栏的按钮和动态代理,硬件里的实景控制单元包括开关、继电器、调节按钮和零部件控制单元。
实景包括电子产品的软件实景与硬件实景的静态特征与动态特征,软件实景包括软件、焦点软件、已打开软件、本机安装软件、软件菜单及产品各模块;硬件实景包括开关、按钮、传感器及产品零部件。
实施例1:针对汽车操作所做的任务型对话,对用户输入“有点热”,实景分类体系包含相应控制对象、控制单元、检查单元。
在实施例1中:实景分类体系可由空调、车窗等控制对象,空调开关、调温按钮等控制单元,车外温度传感器、车内传感器等检测单元组成。
进一步地,控制对象作为概念都有相应的属性,而属性又可以作为新的被控制对象。
在实施例1中,实景分类体系可由控制对象及其属性组成,空调是控制对象,从空调概念本身来说,它具有属性:空调品牌、空调功率、空调开关、空调调温按钮等,而空调开关和空调调温按钮又可以作为控制对象,也同样是实景的一部分。
步骤102,搜集实景任务型对话中与实景信息有关的用户输入信息和实景分类信息,进而构建训练集。具体为:
步骤2-1、搜集用户对话信息并结合实景分类体系共同构建数据集;
步骤2-2、根据近义词库增加文本实景标签的均衡性及多样性,进一步完善数据集;
步骤2-3、将数据集作为训练样本。
在实施例1中,搜集与汽车里实景信息有关的用户输入及对应的实景分类信息,按照实景分类体系里的实景类别进行标注,比如:用户输入信息“怎么打开空调”“空调调高按钮在哪”对应的实景类别为空调,也可细分为空调开关、调温按钮。
实施例2,针对软件所做的任务型对话,用户输入“怎么修改页边距”,进行实景分类。
在实施例2中,实景分类体系可由焦点软件、当前打开软件、设备本机软件、软件功能类别等组成。
在实施例2中,搜集本机软件实景信息有关的用户输入及对应的实景分类信息,按照实景分类体系里的实景类别进行标注。
步骤103、利用训练集训练得到面向电子产品任务型对话的实景信息分类模型。
步骤3-1、将训练样本进行文本预处理,预处理内容包括但不限于分词、去停用词、特征提取、词频统计、文本向量化等操作;
其中,实景任务型对话为加入实景信息的任务型对话,用于完成对电子产品性能和功能的理解、操作相关的对话。
步骤3-2、利用预处理后的样本训练得到面向电子产品任务型对话的实景信息分类模型,模型采用文本分类形式,分类方式不限于传统机器学习算法和深度学习算法,分类算法不限于贝叶斯分类、基于bert的文本分类等。
进一步地,以bert文本分类算法为例,若y1,y2,…yn为神经网络的原始输出,那么经过Softmax分类处理之后的输出为:
步骤104、将用户输入信息输入实景信息分类模型,输出实景信息分类结果。
步骤4-1、将用户对话内容输入实景信息分类模型,得出结果是用户对话内容对应各实景类别的概率;
步骤4-2、根据概率选择最合适的类别作为实景信息分类结果,后续实景任务型对话根据实景信息分类结果获取更多相关实景信息。
用户对话内容中仅仅包含肯定词和否定词的句子不输入实景信息分类模型,肯定词和否定词不限于对、好、嗯、不、没等。
进一步地,实景信息分类可描述为:
其中,U表示用户输入,M表示实景信息,mi表示实景信息中的某一个或某一类;
进一步地,上述描述表示找出最符合用户输入U下的某实景信息mi的概率。
在实施例1中,实景分类体系以检测单元和控制对象及其组合组成,当用户输入信息“有点热”,则实景信息分类标准的分类结果为车窗和空调及室外传感器,任务型对话中根据获取到的车外传感器信息判断当时温度与季节,进而确定用户意图是想要打开车窗还是打开空调,并给出帮助。
在实施例2中,若设备本机软件有网易云音乐、Word、WPS、视频播放器、浏览器等,当前打开软件有网易云音乐、Word,当用户输入“怎么修改页边距”,实景信息分类模型可将此用户输入分类为字处理,确定此时用户输入针对的是打开的软件Word,进而任务型对话给出相应帮助。
相应地,本发明实施例还提供一种面向任务型对话的实景信息分类***,如图2所示,是本发明实施例一种面向任务型对话的实景信息分类***的一种结构示意图,该***包括:
实景信息分类样本构建模块如图2中201,用于搜集任务中与实景信息有关的用户输入信息和实景分类信息,并使用近义词库完善,进而构建出实景信息分类样本;
预处理模块如图2中202,用于将实景信息分类样本进行文本预处理,预处理内容包括但不限于分词、去停用词、特征提取、词频统计、文本向量化等操作;
实景信息分类模型构建模块如图2中203,用于将预处理后的实景信息分类样本训练得到面向电子产品任务型对话的实景信息分类模型,模型采用文本分类形式,分类方式不限于传统机器学习算法和深度学习算法,分类算法不限于不限于贝叶斯、bert等;
实景信息分类模块如图2中204:用于将用户对话信息输入实景信息分类模型,得到实景信息分类结果。
本发明并不局限于上述实施例,在本发明公开的技术方案的基础上,本领域的技术人员根据所公开的技术内容,不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形,这些替换和变形均在本发明的保护范围内。
Claims (6)
1.一种面向任务型对话的实景信息分类方法,其特征在于,包括:
根据实景及用户对话信息确定要划分的实景类别,构成实景任务型对话中的实景分类体系;
搜集实景任务型对话中与实景信息有关的用户输入信息和实景分类信息,进而构建训练集;
利用训练集训练得到面向电子产品任务型对话的实景信息分类模型;
将用户对话内容输入所述实景信息分类模型,输出实景信息分类结果;
实景分类体系为根据具体任务确定的产品实景分类的类别组成所述具体任务的实景完整分类;实景分类体系包括实景检测单元及其组合、实景控制单元及其组合、实景控制对象及其属性和实景控制对象及其组合;
实景包括电子产品的软件实景与硬件实景的静态特征与动态特征,软件实景包括软件、焦点软件、已打开软件、本机安装软件、软件菜单、按钮及产品各模块;硬件实景包括开关、按钮、传感器及产品零部件;
产品实景分类包括通过电子产品静态特征与动态特征及与所述特征相关的用户需求来对产品的实景检测单元、实景控制对象或实景控制单元的分类;
实景检测单元为检测实景状态变化的单元,软件产品里的实景检测单元包括钩子函数和面向对象中的事件监听单元;硬件产品里的实景检测单元包括传感器;
实景控制单元为控制实景状态变化的单元,软件里的实景控制单元包括菜单中的按钮、控制栏的按钮和动态代理,硬件里的实景控制单元包括开关、继电器、调节按钮和零部件控制单元;
构建训练集,包括:
搜集用户对话信息并结合所述实景分类体系共同构建数据集;
根据近义词库增加文本实景标签的均衡性及多样性,进一步完善所述数据集;
将所述数据集作为训练样本;
训练出实景信息分类模型包括:
将所述训练样本进行文本预处理,预处理内容包括分词、去停用词、特征提取、词频统计和文本向量化;
利用所述预处理后的样本训练得到面向电子产品任务型对话的实景信息分类模型。
2.根据权利要求1所述的方法,其特征在于,
实景任务型对话为加入实景信息的任务型对话,用于完成对电子产品性能和功能的理解、操作相关的对话。
3.根据权利要求1所述的方法,其特征在于,所述实景信息分类模型采用文本分类形式,文本分类方法式包括传统机器学习算法和深度学习算法。
4.根据权利要求1所述的方法,其特征在于,将用户对话内容输入所述实景信息分类模型,输出实景信息分类结果,包括:
将用户对话内容输入所述实景信息分类模型,得出结果是用户对话内容对应各实景类别的概率;
根据概率选择最合适的类别作为实景信息分类结果,后续实景任务型对话根据所述实景信息分类结果获取更多相关实景信息。
5.根据权利要求4所述的方法,其特征在于,
用户对话内容中仅仅包含肯定词和否定词的句子不输入实景信息分类模型中。
6.一种如权利要求1-5任一项所述方法采用的面向任务型对话的实景信息分类***,其特征在于,包括:
实景信息分类样本构建模块,用于搜集任务中与实景信息有关的用户输入信息和实景分类信息,并使用近义词库完善,结合任务中的实景分类体系构建出实景信息分类样本;
预处理模块,用于将实景信息分类样本进行文本预处理,预处理内容包括分词、去停用词、特征提取、词频统计和文本向量化;
实景信息分类模型构建模块,用于将预处理后的实景信息分类样本训练得到面向电子产品任务型对话的实景信息分类模型,模型采用文本分类形式,分类方法包括传统机器学习算法和深度学习算法;
实景信息分类模块,用于将用户对话信息输入实景信息分类模型,得到实景信息分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111173317.1A CN113901213B (zh) | 2021-10-08 | 2021-10-08 | 一种面向任务型对话的实景信息分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111173317.1A CN113901213B (zh) | 2021-10-08 | 2021-10-08 | 一种面向任务型对话的实景信息分类方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113901213A CN113901213A (zh) | 2022-01-07 |
CN113901213B true CN113901213B (zh) | 2024-04-02 |
Family
ID=79190506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111173317.1A Active CN113901213B (zh) | 2021-10-08 | 2021-10-08 | 一种面向任务型对话的实景信息分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901213B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021120779A1 (zh) * | 2020-08-06 | 2021-06-24 | 平安科技(深圳)有限公司 | 一种基于人机对话的用户画像构建方法、***、终端及存储介质 |
CN113223520A (zh) * | 2021-04-25 | 2021-08-06 | 西安电子科技大学 | 一种软件操作实景语义理解的语音互动方法、***及平台 |
-
2021
- 2021-10-08 CN CN202111173317.1A patent/CN113901213B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021120779A1 (zh) * | 2020-08-06 | 2021-06-24 | 平安科技(深圳)有限公司 | 一种基于人机对话的用户画像构建方法、***、终端及存储介质 |
CN113223520A (zh) * | 2021-04-25 | 2021-08-06 | 西安电子科技大学 | 一种软件操作实景语义理解的语音互动方法、***及平台 |
Non-Patent Citations (1)
Title |
---|
杨志明 ; 王来奇 ; 王泳 ; .基于双通道卷积神经网络的问句意图分类研究.中文信息学报.2019,(05),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113901213A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021135577A1 (zh) | 音频信号处理方法、装置、电子设备及存储介质 | |
CN111432989A (zh) | 人工增强基于云的机器人智能框架及相关方法 | |
US20210082038A1 (en) | Electronic apparatus and method for summarizing content thereof | |
WO2021169745A1 (zh) | 基于语句前后关系预测的用户意图识别方法及装置 | |
CN112597759B (zh) | 一种基于文本的情绪检测方法和装置、计算机设备和介质 | |
JP7178394B2 (ja) | 音声信号を処理するための方法、装置、機器、および媒体 | |
CN112840313A (zh) | 电子设备及其控制方法 | |
CN111210824B (zh) | 语音信息处理方法、装置、电子设备及存储介质 | |
Sahana et al. | MRCS: multi-radii circular signature based feature descriptor for hand gesture recognition | |
Rishan et al. | Translation of sri lankan sign language to sinhala text: A leap motion technology-based approach | |
CN113791723A (zh) | 数据录入方法、设备及存储介质 | |
CN111292731A (zh) | 语音信息处理方法、装置、电子设备及存储介质 | |
CN113901213B (zh) | 一种面向任务型对话的实景信息分类方法及*** | |
CN115730237B (zh) | 垃圾邮件检测方法、装置、计算机设备及存储介质 | |
CN114462546A (zh) | 一种基于多模型融合的特征蒸馏方法、***、设备和介质 | |
CN112598840A (zh) | 基于人脸识别和语音交互的通行设备控制方法、装置、机器可读介质及设备 | |
Baek et al. | Implementation of a virtual assistant system based on deep multi-modal data integration | |
Sundaramoorthy et al. | Human-computer interaction system for improving digital literacy among speech-and hearing-impaired in developing countries | |
Shakah | The Devices of the Internet of Things Based on the Recognition of Handwriting Words with Mobile Assisted | |
CN117553808B (zh) | 基于深度学习的机器人定位导航方法、装置、设备及介质 | |
CN116070173B (zh) | 一种跨模态任务指令理解的指读方法及*** | |
Wijenayake et al. | EasyChat: A Chat Application for Deaf/Dumb People to Communicate with the General Community | |
Gandhi et al. | Sign Language Recognition Using Convolutional Neural Network | |
CN116151272A (zh) | 一种终端设备及语义意图的识别方法 | |
Mohanty | Indian Language Compatible Intelligent User Interfaces |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |